Inferindo a estrutura de vizinhança em modelos bayesianos espaciais

Exportado OPUSMade available in DSpace on 2019-08-12T01:39:43Z (GMT). No. of bitstreams: 1 ericacastilhocarvalho.pdf: 1843456 bytes, checksum: 906c114c13e17cc6250be341472b66bc (MD5) Previous issue date: 21No mapeamento de doenças, é necessário especificar uma estrurua de vizinhnça para fazer inferências sobre a distribuição geográfica dos riscos relativos. Propomos um modelo em que a estrutura de vizinhança é parte do espaço paramétrico. Mantemos a propriedade de que a estrutura de vizinhança é parte do espaço paramétrico. Mantemos a propriedade de Markov usual de modelos Bayesianos espaciais: dado o grafo de vizinhança , as taxas de doença seguem um modelo auto- regressivo condicional. No entanto, o grafo em si é um parâmetro que também precisa sser estimado. Investigamos propriedades teóricas do nosso modelo. Em particular, investigamos cuidadosamente a matriz de covariância a priori ea posteriori induzida por esta estrutura de vizinhança aleatória fornecendo interpretação para cada elemento dessas matrizes. Também ilustramos as vantagens do nosso modelo com os dados simulados e exemplos de mapeamento real da doença.In Bayesian disease mapping, one needs to specify a neighborhood structure to make inference on the underlying geographical relative risks. We propose a model in which the neighborhood structure is part of the parameter space. We retain the Markov property of the usual Bayesianspatial models: given the neighborhood graph, the disease rates follow a conditional autoregressive model. However, the neighborhood graph itself is a parameter that also needs to be estimated. We investigate the theoretical properties of our model. In particular, we investigatecarefully the prior and posterior covariance matrix induced by this random neighborhood structure providing interpretation for each element of these matrices. We also illustrate the advantages of our model with simulated data and real disease mapping examples